登录社区云,与社区用户共同成长
邀请您加入社区
交通标志自动识别系统,采用 YOLOv5 类单阶段检测器并融合轻量化自注意力(SA)与 CBAM 强化多尺度特征,对远距、遮挡与低像素小目标更鲁棒。数据制作包含多尺度与遮挡增强、COCO/YOLO 标注;训练使用混合精度、CIoU/Focal 损失与样本加权。系统实现实时检测、分类、定位与可视化评估(mAP、Recall),并可导出 ONNX/TensorRT 在边缘设备部署。适合计算机视觉、人工
第二届数字经济与计算机科学国际学术会议(DECS 2025)将于2025年10月17日至10月19日在中国武汉召开。DECS 2025 将涵盖多个主题,包括大数据分析、人工智能、区块链、物联网、云计算等,促进多学科的交流与合作。
轴承作为机械设备中的关键部件,其健康状态直接影响设备的运行效率与安全性。传统轴承缺陷检测方法依赖人工检查,存在效率低、主观性强等问题。为此,本文提出了一种基于深度学习YOLOv12的轴承缺陷识别检测系统,能够高效、准确地识别轴承表面缺陷。系统采用改进的YOLOv12目标检测算法,结合包含4类缺陷(凹槽、凹陷、擦伤、划痕)的数据集进行训练,其中训练集759张、验证集326张。实验结果表明,该系统在轴
深度学习:YOLOv8实时车速检测 车辆检测跟踪识别系统 PySide6界面 OpenCV 深度学习 毕业设计(建议收藏)✅
深度学习:YOLOv8测速测距车辆计数系统 ByteTrack算法 深度学习 目标计数 目标测速 目标检测 毕业设计✅
本项目基于YOLOv10目标检测算法开发了一套安全手套佩戴识别检测系统,旨在通过计算机视觉技术自动识别作业人员是否规范佩戴安全手套。系统采用最新的YOLOv10模型架构,在保持高推理速度的同时显著提升了检测精度,特别优化了对小目标(如手套)的检测能力。项目配置为nc:2(两类检测目标),可准确区分"已佩戴手套"和"未佩戴手套"两种状态,适用于建筑工地、生产车间、实验室等需要手部安全防护的工业场景。
python汽车车流量统计计数系统 pytorch 车流量统计 YOLOv8 多目标跟踪算法 COCO2017数据集 深度学习 毕业设计✅
python车辆行人检测与跟踪系统 深度学习 计算机毕业设计 YOLO模型 SORT算法 PyQt5界面 目标检测+目标跟踪 ✅
大数据专业:python停车位检测识别系统 YOLO模型 PyQt5界面 openCV模块 Tensorflow框架 Torch框架 深度学习 计算机毕业设计✅
毕业设计:python车辆行人检测与跟踪系统 YOLO模型 SORT算法 PyQt5界面 目标检测+目标跟踪 深度学习 计算机专业✅
基于 YOLOv8 与 VisDrone 数据集的无人机目标检测跟踪识别系统深度学习 PySide界面设计 大数据 毕业设计✅
多目标检测跟踪!YOLOv8+ByteTrack 车辆行人计数系统(深度学习 | 计算机毕设✅)
✅ YOLOv8车辆行人检测计数与跟踪系统 多目标检测与跟踪系统 ByteTrack算法 深度学习 计算机毕业设计(建议收藏)
YOLO实现目标识别+目标跟踪技术 pyqt界面 OpenCV 计算机视觉 深度学习 计算机毕业设计(建议收藏)✅
视频监控,大数据
本研究设计并实现了一种基于深度学习的铁轨轨道缺陷检测系统,采用 YOLOv12 目标检测模型结合自主构建的轨道缺陷数据集进行训练与验证。数据集涵盖四类典型缺陷:剥落(Spalling)、烧蚀(Wheel Burn)、挤曲(Squat)和波磨(Corrugation),共包含 1916 张训练图像、240 张验证图像及 240 张测试图像。模型在训练过程中引入多尺度特征融合与改进的特征金字塔网络,以
在技术层面,系统采用YOLOv12作为核心检测模型,该模型在YOLO系列的基础上进一步优化了网络结构和训练策略,显著提升了小目标检测精度和推理速度,能够准确识别复杂海面环境下的石油泄漏区域。为增强模型泛化能力,项目构建了专用的YOLO格式石油泄漏数据集,涵盖不同光照条件、波浪形态及泄漏规模的真实场景数据,并通过数据增强技术进一步扩充样本多样性。
随着太阳能产业的快速发展,太阳能电池板的质量检测成为保障光伏系统高效运行的关键环节。传统人工检测方法效率低、成本高,难以满足大规模生产需求。本文基于深度学习目标检测算法YOLOv12,设计并实现了一种高效、准确的太阳能电池板缺陷识别检测系统。该系统能够自动检测六类常见缺陷,包括黑芯(black_core)、裂纹(crack)、指状缺陷(finger)、水平位移(horizontal_disloca
本文设计并实现了一种基于深度学习YOLOv12的车辆行人检测系统,该系统结合高效的目标检测算法与用户友好的UI界面,能够实时准确地识别图像或视频中的“行人”和“车辆”两类目标。系统采用YOLOv12模型,并在包含5,607张标注图像(训练集4,485张,验证集1,122张)的自定义数据集上进行训练与验证。此外,系统集成登录注册功能,并提供直观的可视化操作界面。实验结果表明,该系统在检测精度与速度上
本研究利用YOLOv10模型进行花生种子霉变检测,旨在实现对花生种子质量的自动化、高效检测。花生种子在储存过程中易受霉菌侵害,导致霉变,影响其发芽率和食用安全。传统检测方法依赖人工判断,效率低且主观性强。基于深度学习的目标检测技术,尤其是YOLOv10模型,能够在保证高精度的同时实现实时检测。本研究通过构建包含大量标注数据的花生种子数据集,训练并优化YOLOv10模型,最终在测试集
本研究开发了一种基于YOLOv10的鸡检测和跟踪系统,专注于检测单一类别:rooster(鸡)。该系统旨在实现对鸡的实时检测和跟踪,适用于养殖场管理、行为研究等场景。YOLOv10作为一种高效的目标检测模型,能够在保证高精度的同时实现实时处理。本研究通过构建包含鸡图像的数据集,训练并优化YOLOv10模型,最终在测试集上取得了较高的检测精度。此外,结合跟踪算法(如DeepSORT或
本项目利用YOLOv10(You Only Look Once version 10)目标检测算法,开发一个高效的水稻病害检测系统。该系统能够自动从水稻叶片图像中检测出病害区域,并分类病害类型(如细菌性叶枯病、褐斑病、叶黑粉病),为种植户提供病害预警和防治建议。
本项目利用YOLOv10(You Only Look Once version 10)目标检测算法,开发一个高效的草莓果实病害检测系统。该系统能够自动从草莓图像中检测出病害区域,并区分病害类型(如橡胶病、黑斑病、灰霉病、白粉病、正常果实),为种植户提供病害预警和防治建议。
本项目利用YOLOv10(You Only Look Once version 10)目标检测算法,开发一个高效的道路坑洼检测系统。该系统能够自动从道路图像或视频中检测出坑洼区域,为道路维护和修复提供数据支持。
近年来,基于深度学习的目标检测技术(如YOLO系列)在工业检测领域取得了显著进展。YOLOv10作为YOLO系列的最新版本,具有更高的检测速度和精度,非常适合应用于传送带缺陷检测场景。本项目旨在利用YOLOv10算法,结合传送带表面图像数据,开发一套高效、准确的缺陷检测系统,为工业生产中的质量控制提供智能化支持。
本文基于最新的YOLOv12算法,构建了一套轴承缺陷智能识别系统。该系统采用包含4类缺陷(aocao、aoxian、cashang、huahen)的数据集进行训练和验证,其中训练集759张、验证集326张,确保模型具备良好的泛化能力。此外,系统设计了直观的UI界面,并集成登录注册功能。实验证明,该系统能够实现高精度的轴承缺陷检测,为工业质量控制提供了智能化解决方案。
手势识别作为人机交互的重要方式,在智能设备控制、手语翻译和虚拟现实等领域具有广泛应用前景。本研究提出了一种基于YOLOv10的实时手势识别检测系统,能够准确识别10种常用手势(包括字母手势A、D、I、L、V、W、Y、"我爱你"手势以及数字手势5和7)。
本项目旨在开发一个基于YOLOv10的疲劳检测系统,用于实时检测驾驶员的疲劳状态。系统通过分析驾驶员的面部表情,特别是眼睛和嘴巴的状态,来判断其是否处于疲劳状态。模型共分为四类:打哈欠(Yawn)、闭眼(close)、未打哈欠(noYawn)和睁眼(open)。通过深度学习技术,系统能够快速、准确地识别这些状态,从而为驾驶员提供及时的疲劳预警,提升驾驶安全性。
本项目利用YOLOv10(You Only Look Once version 10)目标检测算法,开发一个高效的葡萄叶病害检测系统。该系统能够自动从葡萄叶图像中检测出病害区域,并分类病害类型(如黑腐病、葡萄蔓枯病、健康叶片),为种植户提供病害预警和防治建议。
基于深度学习的目标检测技术(如YOLO系列)在医学图像分析领域取得了显著进展。YOLOv10作为YOLO系列的最新版本,具有更高的检测速度和精度,非常适合应用于皮肤病检测场景。本项目旨在利用YOLOv10算法,结合皮肤病图像数据,开发一套高效、准确的皮肤病检测系统,为皮肤病诊断提供智能化支持。
本项目利用YOLOv10(You Only Look Once version 10)目标检测算法,开发一个高效的虾病害检测系统。该系统能够自动从虾类图像中检测出病害区域,并区分病害类型(如黑斑病、黑鳃病、肝胰腺苍白病、白斑综合症病毒),为养殖户提供病害预警和防治建议。
本项目利用YOLOv10(You Only Look Once version 10)目标检测算法,开发一个高效的太阳能电池板缺陷检测系统。该系统能够自动从太阳能电池板图像中检测出缺陷区域,并分类缺陷类型(如黑芯、裂纹、指状缺陷、水平错位、短路、粗线),为太阳能电池板的质量控制和维护提供支持。
本项目利用YOLOv10(You Only Look Once version 10)目标检测算法,开发一个高效的棉花叶片病害检测系统。该系统能够自动从棉花叶片图像中检测出病害区域,并分类病害类型(如枯萎病、卷叶病、灰霉病、健康叶片、叶斑病、萎蔫病),为种植户提供病害预警和防治建议。
本项目使用YOLO(You Only Look Once)目标检测算法进行特定杂草的自动识别,目标是通过计算机视觉技术识别并定位农田中的“0 ridderzuring”杂草,从而帮助农业自动化管理。杂草的及时识别与处理对于提高农业生产效率、保护农作物生长环境至关重要。YOLOv10,作为一种高效的目标检测算法,能够以较高的精度和速度检测出不同种类的目标,因此在农业领域得到了广泛应用
本项目基于YOLOv10目标检测算法,开发了一个针对辣椒叶片病害的智能检测系统。系统能够自动识别并分类5种常见的辣椒叶片状态,包括健康叶片和4种病害类型(黄单胞菌病、花叶病、尾孢菌病和卷叶病)。通过深度学习技术,该模型在1796张训练图像和462张验证图像上完成了训练与优化,实现了高效、准确的病害检测,为农业病害防治提供了智能化解决方案。